第七章平稳时间序列预测法.ppt

7.4 ARMA模型的建模 一、模型阶数的确定 （1）基于自相关函数和偏相关函数的定阶方法 对于ARMA(p,q)模型，可以利用其样本的自相关函数和样本偏自相关函数的截尾性判定模型的阶数。 如果样本的偏自相关函数是以p步截尾的，模型为AR(p) ； 如果样本的自相关函数具有q步截尾性，模型为MA(q)； 如果样本的自相关函数和偏相关函数都是拖尾的，模型为ARMA(p,q) 。 （1）自相关函数的截尾性统计检验： 对于每一个q,计算 …. （M 取 为 或者 ）， 对于MA(q)模型，当kq时， 考察其中满足 的个数是否占M个的68.3%或者95.5%以上。 （2）偏自相关函数的截尾性统计检验： 对于每一个p,计算 （M 取 为 或者 ）， 对于AR(p)模型，当kp时， 考察其中满足 的个数是否占M个的68.3%或者95.5%以上。 如果对于序列 和 截尾，即不存在上述的 来说，均不 和 判定平稳时间序列 ，则可以 为ARMA模型。 一般地，对ARMA 模型 它们均值为0，可递推得到残量估计 现作假设检验： 是来自白噪声的样本 令 （3）残差项的白噪声检验：（Q统计量检验） 其中 取 左右。 则当 成立时， 服从 的 分布。 对给定的显著性水平 ，若 ，则拒绝 ，即模型与原随机序列之间拟合得不好， ，则认为模型与原随机序列之间拟合 需重新考虑 得较好，模型检验被通过。 建模；若 自由度为 注：上机操作时，一般看Q统计检验的相伴概率 (1)用AR（1）拟合时间序列，考察其残差样本的自相关函数 是否q1步截尾，则模型为ARMA(1, q1 ),否则； (2)用AR（2）拟合时间序列，考察其残差样本的自相关函数 是否q2步截尾，则模型为ARMA(1, q2 )，否则； (3)继续增大p，重复上述做法，直至残差序列的样本自相关 函数截尾为止 （4）Tasy和TiaoARMA模型定阶法 1950年-1998年北京城乡居民定期储蓄比例 选择合适的ARMA模型拟合 可以考虑拟合模型为AR(1), ARMA(1,3) 连续读取70个化学反应数据 可以尝试使用AR(1)，MA(1)和ARMA(1,1)模型拟合该序列 （2）基于F 检验确定阶数 （3）利用信息准则法定阶（AIC准则和BIC准则） 此外，常用的方法还有： 1967年，瑞典控制论专家K.J.Astr?m教授将F检验准则用于对时间序列模型的定阶。 原理(模型阶数简约原则 parsimony principle)： 设yt(1≤t≤n)是零均值平稳序列，用模型AR模型拟合 检验统计量： 结论 若FFα，则拒绝原假设，认为AR(p)合适； 若FFα，则接受原假设，认为AR(p-1)合适。 AR(p)模型定阶的F准则 检验统计量： 结论 若FFα ，则拒绝原假设，模型阶数仍有上升的可能； 若FFα ，则接受原假设，认为ARMA(p-1,q-1)合适。 ARMA(p,q)模型定阶的F准则 另外一个遇到的问题是，在实际识别ARMA(p,q)模型时，需多次反复偿试，有可能存在不止一组（p,q）值都能通过识别检验。 显然，增加p与q的阶数，可增加拟合优度，但却同时降低了自由度。 因此，对可能的适当的模型，存在着模型的“简洁性”与模型的拟合优度的权衡选择问题。 信息准则法 AIC准则 背景： AIC准则是日本统计学家赤池Akaike于1973年提出的，全称为最小信息量准则，或AIC准则(Akaike information criterion)。该准则既考虑拟合模型对原始数据的接近程度，也考虑模型中所含待定参数的个数，适用于ARMA模型的检验。 AIC准则确定模型的阶数 AIC定阶准则： 是模型的未知参数的总数 是用某种方法得到的方差 的估计 为样本大小，则定义AIC准则函数 用AIC准则定阶是指在 的一定变化范围内，寻求使得 最小的点 作为 的估计。 AR（ ）模型 ： ARMA 模型 ： BIC准则 AIC准则是样本容量N的线性函数，在N→∞时不收敛于真实模型，它通常比真实模型所含的未知参数要多，是过相容的。 为了弥补AIC准则的不足，Akaike于1976年提出BIC准则，而Schwartz在1978年根据Bayes理论也得出同样的判别标准，称为SBC准则。理论上已证明，SBC准则是最优模型的真实阶数的相合估计。 ⒈ AR(p)模型的Yule